معین نیکوسخن

پژوهش حاضر عملکرد چندین عامل اصلی توضیح دهنده ریسک غیرسیستماتیک که تاکنون در ادبیات مالی مورد استفاده قرارگرفته اند، یعنی اندازه شرکت، نسبت ارزش دفتری به ارزش بازار، گردش سهام، اهرم بازاری، سود هر سهم و مالکیت نهادی را در بورس اوراق بهادار تهران طی سال های 1388 تا 1394 مورد بررسی قرار داده است. بدین صورت که برای تجزیه وتحلیل رابطه میان این ویژگی ها و ریسک غیرسیستماتیک در مقاطع اوراق بهادار از رگرسیون فاما-مک بث (1973) و برای بررسی این رابطه برای هر ورقه بهادار از رگرسیون سری زمانی استفاده شده است. نتایج حاصل از تجزیه وتحلیل رابطه مقطعی نشان می دهد که تنها ویژگی های اندازه و گردش سهام در تجزیه وتحلیل سرمایه گذاری به عنوان شاخص هایی از ریسک غیرسیستماتیک نسبی برای تمام اوراق بهادار مفید می باشند. از سوی دیگر، در تحلیل تک ورقه های بهادار، شواهد حاکی از آن است که نسبت اوراق بهادار با رابطه معنی دار میان هر یک از ویژگی های در نظر گرفته شده و ریسک غیرسیستماتیک، بسیار ناچیز است. بنابراین، اغلب ویژگی های در نظر گرفته شده، پیش بینی کننده های ضعیفی برای تغییرات آتی ریسک غیرسیستماتیک هر ورقه بهادار مشخص می باشند.

در این پژوهش، رابطه میان ریسک غیر سیستماتیک و بازده بر اساس چارچوب مدل GARCH-in mean به صورت ورقه بهادار به ورقه بهادار در بورس اوراق بهادار تهران طی دوره زمانی 1380 تا 1394 موردبررسی قرارگرفته است. شواهد حاکی از آن است که به طور متوسط 27 درصد از سهام رابطه معنی داری را میان ریسک غیر سیستماتیک و بازده تجربه کردند. این در شرایطی است که شرکت هایی با ارتباط منفی دارای سهم بسیار بیشتری از شرکت هایی با ارتباط مثبت در تغییرات نسبت کل اوراق بهادار با ارتباط معنی دار می باشند (19 درصد). نتایج حاصل از بررسی اثر ویژگی های شرکت بر احتمال مشاهده این رابطه معنی دار نشان می دهد که برخی ویژگی ها هم احتمال رابطه مثبت و هم احتمال رابطه منفی را تحت تأثیر قرار می دهند، درحالی که مابقی ویژگی ها تنها احتمال یکی از رابطه های مثبت یا منفی را متأثر می سازند. این شواهد نشان می دهد که عوامل توضیح دهنده رابطه مثبت ریسک غیر سیستماتیک و بازده متفاوت از عواملی هستند که رابطه منفی را توضیح می دهند.

هدف: به طور کلی سری های زمانی مالی مانند شاخص سهام، رفتار غیر خطی، بی ثبات و نویزی دارند. مدل های ساختاری و آماری و مدل های مبتنی بر یادگیری ماشین، اغلب توانایی پیش بینی دقیق سری هایی با این گونه رفتار را ندارند. بر این اساس، هدف تحقیق حاضر، ارائه یک مدل ترکیبی جدید با بهره مندی از مزایای روش گروهی مدل سازی داده ها (GMDH) و الگوریتم ژنتیک با مرتب سازی نامغلوب (NSGA II) برای پیش بینی دقیق تر روند حرکت و تغییرات شاخص کل بورس اوراق بهادار تهران و مقایسه توانایی آن با مدل ARIMA بر اساس معیارهای سنجش خطا شامل RMSE، MAPE و TIC است. روش: برای دستیابی به هدف پژوهش، از داده های شاخص کل قیمت و بازده نقدی در بورس اوراق بهادار تهران (TEDPIX) طی دوره زمانی مهر 1387 تا شهریور 1397 استفاده شده است. مدل ترکیبی NSGA II-GMDH، شبکه GMDH را به عنوان مدلی مقاوم در برابر داده های نویزی و نامانا برای پیش بینی به کار می گیرد و از الگوریتم بهینه سازی چند هدفه NSGA II برای کمینه سازی خطای پیش بینی و انتخاب متغیرهای ورودی بهینه استفاده می کند. یافته ها: نتایج به دست آمده از مدل ترکیبی ارائه شده در این پژوهش، بر اساس هر سه معیار سنجش خطا، بیان کننده خطای کمتر و دقت پیش بینی بیشتر آن در مقایسه با مدل ARIMA برای داده های خارج از نمونه است.   نتیجه گیری: با توجه به یافته های تجربی می توان نتیجه گرفت که مدل پیشنهادی در پوشش تغییرات ناپایدار روند حرکت شاخص کل، از انعطاف پذیری و توانایی بیشتری برخوردار است.